DERNIÈRE IMPRESSION LE 6 septembre 2014 à 14:43

Statistiques
Pourcentages et probabilité

Table des matières

1 Statistiques 2
1.1 Objet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Paramètres de position . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Paramètres de dispersion . . . . . . . . . . . . . . . . . . . . . . . . 6

2 Pourcentage 7
2.1 Les pourcentages instantanés . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Pourcentage d’évolution . . . . . . . . . . . . . . . . . . . . . . . . . 8

3 Loi de probabilité 12
3.1 Conditions préalables . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3 Loi équirépartie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

4 Probabilité d’un événement 14

4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.2 Événement d’une loi équirépartie . . . . . . . . . . . . . . . . . . . . 15

5 Opération sur les événements 15

5.1 Événement contraire . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.2 Intersection de deux événements . . . . . . . . . . . . . . . . . . . . 16
5.3 Union de deux ensembles . . . . . . . . . . . . . . . . . . . . . . . . 16
5.4 Utilisation de ces opérations dans une loi de probabilité . . . . . . . 17

6 Intervalle de fluctuation 18
6.1 Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . 18
6.2 Intervalle de fluctuation . . . . . . . . . . . . . . . . . . . . . . . . . 19

PAUL M ILAN 1 S ECONDE S

 1. STATISTIQUES

1 Statistiques
1.1 Objet
Sur une population (d’objets ou de personnes), on étudie un ou plusieurs critères
ou variables. Les résultats obtenus constituent ce qu’on appelle une série statis-
tique. Dans la suite du chapitre, on s’intéressera aux séries d’une seule variable.

Pour un individu ou objet i, on associera la valeur de la variable xi : i → xi

L’ensemble des couples (i; xi ) sera, dans la plupart des cas regroupés dans un
tableau, qui constituera alors la série statistique.
Exemples :
• Sur un population d’ élèves d’un classe, on étudie les notes obtenues en mathé-
matiques.
• Sur une population de voitures, on étudie la couleur.
• Sur la population d’un pays, on étudie la taille des habitants de 18 ans ou plus.
Il existe plusieurs types de variables :
• Variable qualitative : la couleur par exemple. On ne peut quantifier la couleur.
On représentera cette série avec un "camembert" par exemple. Ce ne sera pas
l’objet de ce chapitre.
• Variable quantitative : on peut en distinguer de deux sortes :
1) Variable discrète : qui ne peuvent prendre que peu de valeurs possibles (le
nombre d’enfants par foyer par exemple). On représentera cette série avec
un diagramme à bâtons.
2) Variable continue : qui peuvent prendre autant de valeurs que l’on sou-
haite (la taille d’un adulte par exemple). Dans la pratique, on ne sélection-
nera qu’une dizaine de catégories réparties par classe. Ceci dans un souci
d’analyse de la série. On représentera cette série dans un histogramme.

1.2 Paramètres de position

Pour étudier une série statistique, nous avons besoin d’outil. Un de ceux-ci est le
paramètre de position : où se situe le milieu de la série. On pense, bien évidement
à la moyenne, mais on peut se doter d’une autre sorte de milieu : la médiane.

a) La moyenne
1) La moyenne simple :
Si la série ne comporte qu’un petit nombre de données. On somme les xi et
l’on divise par le nombre de donné N. On note x la moyenne obtenue. On a
alors la formule suivante :
∑ xi
x=
N
Exemple : Soit les cinq notes de mathématiques suivantes : 8 ; 12 ; 9,5 ; 17 ; 13
8 + 12 + 9, 5 + 17 + 13 59, 5
Leur moyenne est alors : x = = = 11, 9
5 5

PAUL M ILAN 2 S ECONDE S

 1. STATISTIQUES

2) La moyenne pondérée :
Lorsque le nombre de données est plus important, on est amené à remplir un
tableau d’effectifs. On note alors xi une valeur prise par la variable et ni son
effectif. N étant toujours le nombre total de données, on a alors :
∑ ni × xi
x=
N
Exemple : Soit les notes de mathématiques obtenues par les 36 élèves d’une
classe de seconde :
Notes ( xi ) 8 9 10 11 12 13 14
Effectifs (ni ) 6 2 7 3 4 8 6

On a alors, la moyenne de la classe suivante :

8 × 6 + 9 × 2 + 10 × 7 + 11 × 3 + 12 × 4 + 13 × 8 + 14 × 6 405
x= = = 11, 25
36 36
3) Moyenne de deux séries statistiques
Lorsque deux séries S1 et S2 ont pour moyenne respective x¯1 et x¯2 et comme
effectif respectif n1 et n2 , la moyenne des deux séries x¯T est égale à :

n1 x 1 + n2 x 2
xT =
n1 + n2
Exemple : Dans une entreprise de 60 salariés, le salaire moyen des hommes
est de 1 500 e net et le salaire moyen des femmes de 1 300 e net. Sachant qu’il
y a 42 femmes dans l’entreprise, quel est le salaire net moyen des salariés ?
S’il y a 42 femmes, il y a : 60 − 42 = 18 hommes. Le salaire net moyen des
salariés en euros est égal à :

18 × 1 500 + 42 × 1 300 81 600

xT = = = 1360
60 60

b) La médiane
On cherche ici à séparer la série en deux effectifs égaux.

Définition 1 : On appelle médiane d’une série ordonnée, la valeur Me qui

partage cette série en deux effectifs égaux.

Deux cas peuvent se présenter :

N+1
• Le nombre de données est impair. Le nombre est alors un nombre entier.
2
On prendra alors la valeur correspondante dans la série.
Soit la série de notes suivante : 8 ; 12 ; 9,5 ; 13 ; 17
On ordonne la série dans l’ordre croissant, on obtient alors : 8 ; 9,5 ; 12 ; 13 ; 17
N+1 5+1
On calcule : = =3
2 2
On prend la troisième valeur de la série : Me = 12

PAUL M ILAN 3 S ECONDE S

 1. STATISTIQUES

N+1
• Le nombre de données est pair. Le nombre n’est pas entier, il est compris
2
entre deux entiers.
On prendra alors le milieu des valeurs correspondantes.
Soit la série de notes suivante : 8 ; 9,5 ; 11 ; 12 ; 13 ; 17
N+1 6+1
On calcule : = = 3, 5
2 2
On prend le milieu de la troisième et quatrième valeur de la série :

11 + 12
Me = = 11, 5
2

c) Quartiles
On peut, comme pour la médiane, définir deux autres paramètres de position : le
premier et troisième quartile

Définition 2 : Le premier quartile Q1 d’une série ordonnée est la plus pe-

tite valeur pour laquelle 25 % au moins des valeurs de la série sont égales ou
inférieures à celle-ci.
Le troisième quartile Q3 est la plus petite valeur pour laquelle 75 % au moins des
valeurs de la série sont égale ou inférieures à celle-ci.
On appelle l’intervalle interquartile, l’intervalle : IQ = [ Q1 ; Q3 ]
L’écart interquartile est alors : e = Q3 − Q3

N 3N
Dans la pratique, on calcule les quantités : et en prenant la valeur im-
4 4
médiatement au dessus.
Exemple : On connaît la taille (en cm) d’un groupe de 45 enfants de 5 à 7 ans.
On obtient alors la série :

106 109 110 111 113 114 116 118 121

107 109 111 111 114 114 117 120 121
108 109 111 112 114 115 117 120 121
108 109 111 112 114 116 118 120 123
109 110 111 113 114 116 118 121 126

N 45 3N 135
On calcule : = = 11, 25 et = = 33, 75
4 4 4 4
On prend donc la 12e valeur et la 34e valeur respectivement pour le 1er et 3e quar-
tile : Q1 = 111 et Q3 = 118
On obtient donc l’intervalle interquartile : IQ = [111 ; 118]
L’écart interquartile est : e = 118 − 111 = 7

PAUL M ILAN 4 S ECONDE S

 1. STATISTIQUES

d) Diagramme en boîte

Pour résumer les différentes valeurs que l’on a déterminées, on réalise un dia-
gramme appelé "diagramme en boîte". Dans ce diagramme figure : les valeurs ex-
trêmes : valeurs minimum et maximum, les quartiles et la médiane.
Remarque : Lorsque la série a beaucoup de valeurs, on peut être amené à diviser
la série en 10 parties égales : ce sont les déciles. Les valeurs du premier décile D1
et du neuvième décile D9 remplace alors les valeurs extrêmes de la série dans le
diagramme en boîte.
On a alors :

b b b b b b b

xmin D1 Q1 Me Q3 D9 xmax

Exemple : Reprenons l’exemple de la taille des 45 enfants.

N+1 45 + 1
On détermine la médiane : = = 23. On prend la 23e valeur de la
2 2
série : Me = 114
Les valeurs extrêmes sont respectivement : 106 et 126.
45
On peut éventuellement calculer les 1er et 9e déciles. On calcule alors : = 4, 5
10
45
et 9 × = 40, 5
10
On prend respectivement la 5e et la 41e valeur, on obtient alors :

D1 = 109 et D9 = 121

On obtient alors le diagramme en boîte suivant :

xmin D1 D9 xmax
b b b
Q1 b
Me Q3 b b b

105 110 115 120 125

Pour étudier la série, on peut analyser :

• La médiane Me = 114
• L’écart interquartile qui correspond à 50 % de l’effectif autour de la médiane.
Ici e = 7
• L’étendue de la série : xmax − xmin = 126 − 106 = 20

PAUL M ILAN 5 S ECONDE S

 1. STATISTIQUES

1.3 Paramètres de dispersion

a) Variance et écart type

Définition 3 : Dans une série de N valeurs et de moyenne x, on appelle

variance V, la valeur qui correspond à la moyenne des écarts au carré par rapport
à la moyenne. On a donc suivant que la série est simple ou pondérée :

∑ ( x i − x )2 ∑ n i × ( x i − x )2
V= ou V=
N N
L’écart type σ représente alors la racine carrée de la variance, soit :
√
σ= V

b) Exemple
On s’intéresse aux notes de mathématiques des élèves Coraline et Séverine. Les
six notes obtenues sont consignées dans le tableau suivant :

Coraline 12 8 5 16 9 10
Séverine 10 11 12 10 8 9

On calcule d’abord la moyenne pour chaque élève :

12 + 8 + 5 + 16 + 9 + 10 60 10 + 11 + 12 + 10 + 8 + 9 60
xc = = = 10 et xs = = = 10
6 6 6 6

On calcule ensuite les variances pour chaque élève :

(12 − 10)2 + (8 − 10)2 + (5 − 10)2 + (16 − 10)2 + (9 − 10)2 + (10 − 10)2

Vc =
6
4 + 4 + 25 + 36 + 1 + 0 70
= = ≃ 11, 67
6 6

(10 − 10)2 + (11 − 10)2 + (12 − 10)2 + (10 − 10)2 + (8 − 10)2 + (9 − 10)2
Vs =
6
0+1+4+0+4+1 10
= = ≃ 1, 67
6 6
On a alors les écart types suivants :
√ √
σc = Vc ≃ 11, 67 ≃ 3, 4
√ √
σs = Vs ≃ 1, 67 ≃ 1, 3

Remarque : Bien que Coralie et Séverine aient la même moyenne, les notes de
Coralie sont plus dispersées car σc > σs . On peut donc dire que Séverine est
plus régulière que Coralie.

PAUL M ILAN 6 S ECONDE S

 2. POURCENTAGE

2 Pourcentage
2.1 Les pourcentages instantanés

Définition 4 : Étant donné un nombre réel positif a, le quotient a/100 est

encore noté a %. Cette écriture lue "a pour cent" est appelée un pourcentage. Les
pourcentages sont utilisés en statistiques, en mathématiques financières et écono-
miques.

15 4, 5
Exemple : : 15 % = = 0, 15 ou encore 4,5 % = = 0, 045
100 100

a) Déterminer un pourcentage
Lorsque l’on cherche à déterminer l’importance de la partie dans le total, nous
pouvons utiliser deux paramètres. Soit la part qui est le rapport de la partie sur
le total, soit la part en pourcentage qui correspond à ce rapport multiplié par 100.

Total Partie
Partie Part =
Total
Partie
Pourcentage = × 100
Total

Exemple : : Dans une classe de seconde de 35 élèves, il y a 14 garçons. Calculer

la part et le pourcentage de garçon dans la classe
Le total ici représente la classe soit 35 et la partie représente les garçons soit 14,
on a donc :
14 2
Part = =
35 5
14
Pourcentage = × 100 = 0, 4 × 100 = 40%
35

b) Prendre un pourcentage
Cette fois nous connaissons la part ou le pourcentage et le total. Nous cherchons
la partie.
Partie = Part × Total

Pourcentage
Partie = × Total
100
Exemple : Sur les 300 élèves que compte un établissement, 12% sont des élèves
de seconde. Dans cette classe de seconde, un quart des élèves étudient l’allemand.
Quel est le nombre d’élèves de seconde et le nombre de ceux-ci qui étudient l’al-
lemand ?

PAUL M ILAN 7 S ECONDE S

 2. POURCENTAGE

12
Nombre d’élèves de seconde = × 300 = 36
100
1
secondes qui étudient l’allemand = × 36 = 9
4

c) Déterminer le total
Souvent le plus simple pour calculer le total connaissant la partie et le pourcen-
tage, est d’effectuer un tableau de proportionnalité.

Pourcentage Partie Partie × 100

Total =
100% Total Pourcentage

Exemple : Dans un groupe de touristes, il y a 35 touristes belges qui représente

14 % du groupe. Quel est le nombre de touristes dans ce groupe ?
Remplissons un tableau de proportionnalité

14% 35 35 × 100
Nbre de touristes = = 250
100% Nbre de touristes 14

d) Pourcentage de pourcentage
On parle de pourcentage de pourcentage lorsque la partie contient un sous-ensemble.
Nous avons alors le schéma suivant :

E B A représente a % de B
A
B représente b % de E
A représente a % de b % de E
a×b
A représente donc % de E
100

Exemple : Dans une classe, il y a 45 % de garçon dont 80 % ont moins de 16 ans.

Quelle est la proportion de garçons de moins de 16 ans dans la classe.

45 × 80
Nbre de garçons de moins de 16 ans = = 36 %
100

2.2 Pourcentage d’évolution

On parle d’évolution lorsqu’une valeur évolue au cours de temps. On peut alors
faire le schéma suivant :

Vi > Vf
Valeur initiale Valeur finale

PAUL M ILAN 8 S ECONDE S

 2. POURCENTAGE

a) On connaît la valeur initiale et la valeur finale

Vf − Vi
Pourcentage d’évolution = × 100
Vi
On peut définir un coefficient afin de passer de la valeur initiale à la valeur finale
par une multiplication. On note ce coefficient CM (coefficient multiplicateur).

Vf
CM = on a alors : Vf = CM × Vi
Vi

Exemples :

1) La population d’une ville passe en 10 ans de 56 000 à 91 000 habitants. Quel

est le pourcentage d’augmentation de la population ? Calculer le coefficient
multiplicateur.

91 000 − 56 000 35 000 × 100

Évolution en % = × 100 = = 62, 5 %
56 000 56 000
Il s’agit d’une augmentation de 62,5 %.

91 000
CM = = 1, 625
56 000
2) Le prix d’un téléviseur de 1 560 e a été soldé à 1 365e. Quel est le pourcentage
de réduction. Calculer le coefficient multiplicateur.

1 365 − 1 560 −195 × 100

Évolution en % = × 100 = = −12, 5 %
1 560 1 560
Il s’agit donc d’une remise de 12,5 %.

1 365
CM = = 0, 875
1 560

Remarque :
• Pour le pourcentage d’évolution, on divise toujours par la valeur initiale. Si
le pourcentage est positif, il s’agit d’une augmentation. Si le pourcentage est
négatif , il s’agit d’une réduction
• Synonyme d’augmentation : hausse, inflation, . . .
Synonymes de réduction : diminution, déflation, rabais, démarque, solde, re-
mise, . . .
• Pour une augmentation CM > 1 et pour une réduction CM < 1.

b) On connaît le pourcentage d’évolution et la valeur initiale

On se trouve soit dans le cas d’une augmentation soit d’une réduction. On appelle
a le pourcentage d’augmentation et r le pourcentage de réduction. On obtient
alors :
a r
CM = 1 + ou CM = 1 − avec Vf = CM × Vi
100 100

PAUL M ILAN 9 S ECONDE S

 2. POURCENTAGE

Exemples :
1) La fréquentation d’un musée subit une augmentation de 18 % de 2007 à 2014.
En 2007, 110 000 personnes ont visité le musée. Quel est le nombre de visiteurs
en 2014 ?

18
CM = 1 + = 1, 18
100
Nbre de visiteurs = 1, 18 × 110 000 = 129 800
2) Un ordinateur de 980e baisse de 5 %. Quel est le nouveau prix de cet ordina-
teur ?

5
CM = 1 − = 0, 95
100
Nouveau prix = 0, 95 × 980 = 931

Remarque : On pourrait éventuellement calculer d’abord l’augmentation ou la

réduction et l’additionner ou la soustraire à la valeur initiale.

c) On connaît le pourcentage d’évolution et la valeur finale

Vf
Pour calculer la valeur initiale, on divise. En effet : Vi =
CM
Exemple : Un prix TTC de 150e a été obtenu à partir d’une TVA de 20%. Déter-
miner le prix hors taxe ainsi que la TVA.
La TVA correspond à une augmentation, donc :
20
CM = 1 + = 1, 2
100
150
Prix hors taxe = = 125
1, 2
TVA = 150 − 125 = 25
B On ne peut pas déterminer le prix hors taxe en soustrayant 20% du prix TTC.
En effet la TVA se calcule sur le prix hors taxe. Nous devons nécessairement pro-
céder par division.

d) On connaît le coefficient multiplicateur

Pour déterminer le pourcentage d’évolution à partir du coefficient multiplicateur,
on applique une des formules suivantes :

Si CM > 1 alors a = 100 × (CM − 1)

Si CM < 1 alors r = 100 × (1 − CM )

Exemples :
1) Le coefficient multiplicateur est de 1,03. Quel est le pourcentage d’augmenta-
tion ?
Comme le coefficient multiplicateur est supérieur à 1, il s’agit bien d’une aug-
mentation
a = 100 × (1, 03 − 1) = 3 %

PAUL M ILAN 10 S ECONDE S

 2. POURCENTAGE

2) Le coefficient multiplicateur est de 0,92. Quel est le pourcentage de réduction ?

Comme le coefficient multiplicateur est inférieur à 1, il s’agit bien d’une réduc-
tion
r = 100 × (1 − 0, 92) = 8 %

e) Évolutions successives
Lorsqu’une valeur subit deux évolutions successives, on peut schématiser la si-
tuation comme :
CM1 CM2
V1 −−−−−− → V2 −−−−−− → V3
TCM =CM ×CM2
1
V1 −−−−−−−−−−−−−−−−→ V3
Pour trouver le coefficient multiplicateur global, il suffit de multiplier les coeffi-
cients multiplicateurs successifs.

CMT = CM1 × CM2

Exemples :

1) Un prix subit deux augmentations successives de 10 % et 15 %. Quel est le

pourcentage total d’augmentation ?
Calculons les coefficients multiplicateur associés aux deux augmentations :

10 15
CM1 = 1 + = 1, 1 et CM2 = 1 + = 1, 15
100 100
Calculons le coefficient multiplicateur global :

CMT = CM1 × CM2 = 1, 1 × 1, 15 = 1, 265

Calculons maintenant l’augmentation globale associée :

a = 100 × (CMT − 1) = 26, 5 %

Remarque : L’augmentation globale n’est pas la somme des augmentations.

Cela vient du fait que la deuxième augmentation se calcule après la première
augmentation c’est à dire sur une valeur plus grande.

2) Un prix subit une augmentation de 10 % suivi d’une réduction de 10 %. Quelle

est l’évolution globale ?
On calcule les coefficients multiplicateurs :

10 10
CM1 = 1 + = 1, 1 et CM2 = 1 − = 0, 9
100 100
CMT = CM1 × CM2 = 1, 1 × 0, 9 = 0, 99
Il s’agit d’une réduction de :

r = 100 × (1 − CMT ) = 100 × (1 − 0, 99) = 1 %

Remarque : Notre première impression "le prix reste inchangé" était fausse.

PAUL M ILAN 11 S ECONDE S

 3. LOI DE PROBABILITÉ

3 Loi de probabilité
3.1 Conditions préalables
Il s’agit de construire une structure mathématique qui permette de repérer des
situations identiques et d’avoir un méthode rigoureuse dans un domaine où notre
intuition nous conduit souvent à la solution sans vraiment avoir conscience de
notre démarche.
Dans tout calcul de probabilité, il faut :

1) Une expérience aléatoire : il s’agit d’un protocole bien précis (règle d’un jeu)
dont on ne peut prévoir l’issue.
Exemples :
• Lancer un dé sur une piste de jeu.
• Lancer une pièce de monnaie.
• Distribuer 5 cartes à un joueur avec un jeu de 32 cartes.
• Poser une question au hasard à un lycéen choisi au hasard.
• etc . . .
2) Repérer toutes les issues possibles de l’expérience : il s’agit d’un dénombre-
ment des issues possibles d’une expérience.
Exemples :
• Il y a 6 issues possibles pour un dé : {1; 2; 3; 4; 5; 6}.
• Il y a deux issues possibles pour une pièce de monnaie : face ou pile : { F; P}
• Il y a 201 376 mains possibles de 5 cartes pour un jeu de 32 cartes
• Il y a 1 200 lycéens dans l’échantillon qui peuvent être interroger.
• etc . . .
3) Déterminer ce que l’on souhaite comme issues.
Exemples :
• Obtenir un nombre pair avec un dé.
• Obtenir face avec une pièce.
• Obtenir 2 cœur dans une main de cinq cartes.
• Obtenir un lycéen âgé de moins de 17 ans.
• etc . . .

3.2 Définitions

Définition 5 : On appelle univers d’une expérience aléatoire, l’ensemble de

toutes les issues de cette expérience. On appelle cet ensemble : Ω.
Si e1 , e2 ,. . ., en sont les issues de cette expérience, on a alors : Ω = {e1 , e2 , . . . , en }

Exemples : :
• L’univers d’un dé : Ω = {1; 2; 3; 4; 5; 6}
• L’univers d’une pièce : Ω = { F; P}

PAUL M ILAN 12 S ECONDE S

 3. LOI DE PROBABILITÉ

• Parfois nommer toutes les issues est trop long comme l’univers d’une main de
5 cartes avec un jeu de 32 cartes. On se contente alors de compter les éléments
de cet ensemble Ω

Définition 6 : On appelle cardinal d’un ensemble fini Ω, le nombre d’éléments

qui le compose. On le note card(Ω)
Si e1 , e2 , . . ., en sont les issues de cette expérience, on a alors : card(Ω) = n

Exemples :
• L’univers Ω d’un dé : card(Ω) = 6
• L’univers Ω d’une main de cinq cartes : card(Ω) = 201 376

Définition 7 : On appelle probabilité d’une issue ei , noté p(ei ) le nombre

compris entre 0 et 1 tel que :

p ( e1 ) + p ( e2 ) + · · · + p ( e n ) = 1

Définir la loi de probabilité d’une expérience, c’est déterminer les probabilités de

tous les éléments de l’ensemble Ω.

Exemples :
• Dans un urne qui contient 10 boules indiscernables au toucher, 3 sont vertes
(V), 3 sont bleues (B) et 4 sont jaunes (J), on tire une boule au hasard et on note
sa couleur.
Déterminer la loi de probabilité de cette expérience.
L’univers de cette expérience est Ω = {V, R, J}. Pour déterminer la loi probabi-
lité de cette expérience, il faut calculer les probabilités suivantes :

3 3 4
p (V) = = 0, 3 , p (B) = = 0, 3 , p (J) = = 0, 4
10 10 10

ei V R J
On regroupe ces résultats dans un tableau :
p ( ei ) 0,3 0,3 0,4

• On a lancé 1 000 fois un dé pipé. Les résultats sont consignés dans le tableau
ci-dessous. Établir la loi de probabilité du dé pipé.
numéro sorti 1 2 3 4 5 6
nombre de sorties 82 120 153 207 265
Un dé pipé est un dé non équilibré. La loi de probabilité est alors établie par des
données statistiques. Sans avoir de certitude sur les probabilités exactes, vu le
grand nombre de lancés (1 000), on peut supposer que le nombre d’apparition
d’une face détermine sa probabilité.
L’ensemble univers est Ω = {1, 2, 3, 4, 5, 6}.

PAUL M ILAN 13 S ECONDE S

 4. PROBABILITÉ D’UN ÉVÉNEMENT

Les probabilités d’apparition des faces 1 à 5 sont :

82 120 153
p (1) = = 0, 082 , p (2) = = 0, 12 , p (3) = = 0, 153
1000 1000 1000
207 265
p (4) = = 0, 207 , p (5) = = 0, 265
1000 1000

On a : p(1) + p(2) + p(3) + p(4) + p(5) + p(6) = 1 donc

p (6) = 1 − p (1) − p (2) − p (3) − p (4) − p (5)
= 1 − 0, 082 − 0, 12 − 0, 153 − 0, 207 − 0, 265
= 0, 173
On peut alors remplir le tableau suivant :
ei 1 2 3 4 5 6
p ( ei ) 0,082 0,12 0,153 0,207 0,265 0,173

3.3 Loi équirépartie

Définition 8 : Lorsque toutes les issues ont la même probabilité d’apparition,

on dit que la loi de probabilité est équirépartie (ou encore que l’on se situe dans
un cas d’équiprobabilité).
1
Si card(Ω) = n alors on a : ∀i ∈ {1, 2, . . . , n} , p ( ei ) =
n

Exemples : :
• Dans un dé bien équilibré chaque face à la même probabilité d’apparition :
1
p (1) = p (2) = p (3) = p (4) = p (5) = p (6) =
6
• Si une pièce est bien équilibrée chaque face à la même probabilité d’apparition :
1
p( F ) = p( P) =
2

4 Probabilité d’un événement

4.1 Définition

Définition 9 : On appelle événement un sous ensemble de l’univers Ω.

Soit A un événement donné. p(A), sa probabilité, est alors la somme des proba-
bilités des issues qui le composent.

Exemple : On lance le dé pipé dont on a calculé la loi de probabilité auparavant.

Calculer la probabilité de l’événement A : "Obtenir un multiple de 3"
On a alors : A = {3, 6}, donc : p( A) = p(3) + p(6) = 0, 153 + 0, 173 = 0, 326

PAUL M ILAN 14 S ECONDE S

 5. OPÉRATION SUR LES ÉVÉNEMENTS

Remarque :
• Si l’ensemble A est réduit à l’ensemble vide ∅, il n’est composé d’aucune issue.
On l’appelle alors l’événement impossible et p(∅) = 0
• Si l’ensemble A représente tout l’univers Ω, il est composé de toutes les issues.
On l’appelle alors l’événement certain et p(Ω) = 1

4.2 Événement d’une loi équirépartie

Théorème 1 : Dans une loi équirépartie, la probabilité d’un événement A vérifie

l’égalité suivante :

nbre d’issues de l’événement A card(A)

p (A) = =
nbre d’issues total card(Ω)

Exemple : On lance un dé équilibré. Quel est la probabilité de l’événement A :

"Obtenir un multiple de 3"
2 1
On a donc : A = {3, 6} donc card(A) = 2 d’où p(A) = =
6 3

5 Opération sur les événements

5.1 Événement contraire

Définition 10 : On appelle événement contraire d’un événement A, l’événe-

ment noté A composé des éléments de Ω qui ne sont pas dans A.

x∈A ⇔ x∈Ω et /A
x∈

Remarque : A se prononce "A barre"

On peut visualiser A par le diagramme de Venn suivant :

× x A

Exemples :
• On lance un dé :
A : faire au moins 3 d’où A : faire au plus 2
• On tire deux cartes dans un jeu de 32
B : Obtenir au moins un cœur d’où B : Obtenir aucun cœur

PAUL M ILAN 15 S ECONDE S

 5. OPÉRATION SUR LES ÉVÉNEMENTS

5.2 Intersection de deux événements

Définition 11 : On appelle intersection de deux événements A et B, l’événement

noté : A ∩ B composé des éléments de Ω qui appartiennent à A et à B.

x ∈ A ∩ B ⇔ x ∈ A et x ∈ B

Remarque : A ∩ B se prononce "A inter B"

On peut visualiser A ∩ B par le diagramme de Venn suivant :

A × x B

Lorsque l’événement A est inclus dans l’événement B, on a alors :

A ⊂ B ⇒ A∩B = A
Lorsque les événement A et B sont incompatibles, leur intersection est vide.
A et B sont incompatibles ⇔ A ∩ B = ∅
C’est le cas des événements A et A : A ∩ A = ∅

Exemples :
• On tire une carte dans un jeu de 32 cartes, soient les événements suivants :
)
A : Obtenir un cœur
A ∩ B : Obtenir la dame de cœur
B : Obtenir une dame
• Une classe de seconde est constituée de filles et de garçons. Les élèves sont âgés
de 15 à 17 ans. On interroge un élève au hasard.
)
A : l’élève interrogé est un garçon
A ∩ B : L’élève est un garçon de 15 ans
B : L’élève interrogé a 15 ans

5.3 Union de deux ensembles

Définition 12 : On appelle union de deux événements A et B, l’événement

noté : A∪B composé des éléments de Ω qui appartiennent à A ou à B (éventuel-
lement aux deux, le « ou » étant non exclusif).

x ∈ A ∪ B ⇔ x ∈ A ou x ∈ B

Remarque : A∪B se prononce "A union B"

On peut visualiser A∪B par le diagramme de Venn suivant :

PAUL M ILAN 16 S ECONDE S

 5. OPÉRATION SUR LES ÉVÉNEMENTS

A × a1 × a3 × a2 B

Lorsque l’événement A est inclus dans l’événement B, on a alors :

A ⊂ B ⇒ A∪B = B

L’union des événements A et A donne l’ensemble Ω : A ∪ A = Ω

Exemples :
• On tire une carte dans un jeu de 32
)
A : Obtenir un cœur
A ∪ B : Obtenir une dame ou un cœur
B : Obtenir une dame
• Une classe de seconde est constituée de filles et de garçons. Les élèves sont âgés
de 15 à 17 ans. On interroge un élève au hasard.
)
A : l’élève interrogé est un garçon L’élève est un garçon
A∪B :
B : L’élève interrogé a 15 ans ou un élève de 15 ans

5.4 Utilisation de ces opérations dans une loi de probabilité

Théorème 2 : Si A et B sont deux événements, alors on a :

p (A) = 1 − P (A)
p (A ∪ B) = P (A) + P (B) − P (A ∩ B)

Si A et B sont incompatibles, alors : P(A ∪ B) = P(A) + P(B)

Exemple : : A et B sont deux événements d’une même expérience aléatoire.

Calculer p(B) puis p(B). On donne :

p(A) = 0, 3 ; p(A ∪ B) = 0, 7 et p(A ∩ B) = 0, 2

On calcule d’abord P(B) :

p (A ∪ B) = p (A) + p (B) − p (A ∩ B)
p (B) = p (A ∪ B) − p (A) + p (A ∩ B)
p(B) = 0, 7 − 0, 3 + 0, 2 = 0, 6

On calcule ensuite : p(B) = 1 − p(B) = 0, 4

PAUL M ILAN 17 S ECONDE S

 6. INTERVALLE DE FLUCTUATION

6 Intervalle de fluctuation
6.1 Loi des grands nombres

Théorème 3 : Pour une expérience donnée, dans un modèle défini par une
loi de probabilité, les distributions des fréquences calculées sur un échantillon de
taille n, se rapproche de la loi de probabilité lorsque n devient grand.

Remarque : En statistique, un échantillon de taille n est obtenu par répétition

indépendantes d’une même expérience aléatoire. Par exemple, on reproduit 120
fois une expériences consistant à lancer 100 fois une pièce de monnaie. On a ainsi
un échantillon de taille 120.
Ce théorème nous affirme que si la taille de l’échantillon est suffisamment grande,
on observera une fréquence d’apparition du côté "face" de la pièce proche de 0,5.
Si ce n’est pas le cas alors on pourra affirmer que la pièce n’est pas équilibrée.

Algorithme : On simule les 120 expé- Variables

riences des 100 lancés de pièces. Pour I, J, X, N, Y
Initialisation
cela on utilise la fonction randInt(0,1)
Effacer dessin
qui choisit aléatoirement les nombres 0 Tracer y = 0, 5
ou 1. Si on associe au côté "face" de la Traitement et sortie
pièce le nombre 0, sur l’expérience I, on Pour I de 1 à 120
compte sur les 100 lancés le nombre N 0→N
Pour J de 1 à 100
d’apparition du nombre 0 puis l’on di-
randInt(0,1) → X
vise ce nombre par 100 pour obtenir Y. Si X = 0
On trace ensuite le point ( I, Y ). En gra- N+1 → N
duant l’axe des abscisses de 0 à 120 et FinSi
l’axe des ordonnées de 0 à 1 et en tr- FinPour
N
çant la droite y = 1 on obtient alors le →Y
100
graphe ci-dessous : Afficher le point ( I; Y )
FinPour

Remarque : On observe alors une fluctuation autour de la valeur 0,5

PAUL M ILAN 18 S ECONDE S

 6. INTERVALLE DE FLUCTUATION

6.2 Intervalle de fluctuation

Théorème 4 : Soit une expérience aléatoire où la probabilité d’un événement A

est p. On reproduit cette expérience n fois et l’on détermine la fréquence observée
f obs d’apparition de l’événement A.
Si p ∈ [0, 2 ; 0, 8] et si n > 25 , alors, dans environ 95 % des cas, f obs est compris
dans l’intervalle I appelé intervalle de fluctuation au seuil de 95 % ou au risque
de 5 %.
1 1
 
p ∈ [0, 2 ; 0, 8] et n > 25 alors I = p − √ ; p + √
n n

Exemples :
• Si nous reprenons nos 120 expériences des 100 lancés de pièces de monnaie.
On sait que la probabilité d’obtenir "face" vaut p = 0, 5. Comme n = 120, la
fréquence observée doit être être dans l’intervalle I

1 1
 
I = 0, 5 − √ ; 0, 5 + √ ≃= [0, 41 ; 0, 59]
120 120
On trace alors sur notre graphe les droites y = 0, 41 et y = 0, 59. On obtient
alors :

On constate qu’il y a 5 points en dehors de l’intervalle. Or 5 % de 120 représente

6. On a donc plus de 95 % de points qui sont à l’intérieur de l’intervalle I.

• Pour savoir si une pièce est équilibrée, on la lance 200 fois. On a obtenu 120 fois
"pile". Est-il vraisemblable que la pièce soit équilibrée ?
On calcule l’intervalle de confiance à 95 % :

1 1
 
I = 0, 5 − √ ; 0, 5 + √ ≃= [0, 43 ; 0, 57]
200 200
120
or f obs = = 0, 6. donc f obs ∈/ I.
200
Il y a de forte chance que la pièce ne soit pas équilibrée.

PAUL M ILAN 19 S ECONDE S